CN116069891B - 一种装配式建筑建设选址分析方法及系统 - Google Patents

一种装配式建筑建设选址分析方法及系统 Download PDF

Info

Publication number
CN116069891B
CN116069891B CN202310245223.3A CN202310245223A CN116069891B CN 116069891 B CN116069891 B CN 116069891B CN 202310245223 A CN202310245223 A CN 202310245223A CN 116069891 B CN116069891 B CN 116069891B
Authority
CN
China
Prior art keywords
data
data sequence
factor
factor data
site selection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310245223.3A
Other languages
English (en)
Other versions
CN116069891A (zh
Inventor
段培萌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Oriental Gs Modular Housing Co ltd
Original Assignee
Beijing Oriental Gs Modular Housing Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Oriental Gs Modular Housing Co ltd filed Critical Beijing Oriental Gs Modular Housing Co ltd
Priority to CN202310245223.3A priority Critical patent/CN116069891B/zh
Publication of CN116069891A publication Critical patent/CN116069891A/zh
Application granted granted Critical
Publication of CN116069891B publication Critical patent/CN116069891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioethics (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及用于数据安全保护的数据处理领域，具体涉及一种装配式建筑建设选址分析方法及系统，包括：获取得到多个因素数据序列和一个建筑位置数据序列，计算得到各因素数据序列和建筑位置数据序列的各维度的分割间隔；根据所述分割间隔得到各因素数据序列的决定程度；计算各因素数据序列的统计特征，根据所述决定程度与统计特征得到各因素数据序列的节点值；计算各因素数据序列之间边权值，进而构建得到建筑选址结构图；根据建筑选址结构图得到每组建筑选址数据的密文数据，对密文数据进行解密处理得到每组建筑选址数据，利用多组建筑选址数据进行选址分析，从而实现在对建筑建设选址数据的加密存储，提高了加密效率，保护了数据安全。

Description

一种装配式建筑建设选址分析方法及系统
技术领域
本申请涉及用于数据安全保护的数据处理领域，具体涉及一种装配式建筑建设选址分析方法及系统。
背景技术
随着科技的发展，装配式建筑成为一种重要的建筑形式，装配式建筑在建设前需要根据需求进行建筑选址，而进行建筑选址时需采集大量的影响选址的资料数据，例如周边客户信息，供应商信息等一些资料信息，通过对影响选址的资料数据进行分析来确定最终的建筑地址。而企业为了自身利益，在建筑建设没有完全准确充足之前，一般不会将自身的选址结果泄露出去，以防竞争企业利用事先获取的信息作出相应对策，导致企业资源丢失等现象，例如竞争企业事先获取得到企业选址，参与到土地竞标中来，导致企业无法拍到所需的土地。同时影响建筑选址的资料数据对会包含一些公司的核心数据，例如客户相关信息，当这些数据被竞争对手获取时，很容易被其利用来侵害公司权益。因而为了保护企业的权益，需将这些数据进行加密保护。
传统的数据加密，一般是对所有的数据进行同样复杂性的加密，而在建筑建设选址时，有些数据对建筑选址结果分析决定性较大，这些数据一旦丢失泄露很容易被竞争者推测出建筑选址结果，从而利用推测出的选址结果来采取出一些对策，导致企业资源丢失。因而在进行数据加密时，需考虑数据的重要性，根据数据的重要性来对数据采取不同复杂性的加密措施，从而使得在保护数据安全性的同时，还能提高加密效率。
发明内容
为了解决上述技术问题，本发明提供一种装配式建筑建设选址分析方法，所述方法包括：
获取得到多组建筑选址数据和综合密钥序列，每组建筑选址数据中包含多个因素数据序列和一个建筑位置数据序列；
根据多组建筑选址数据得到各因素数据序列和建筑位置数据序列的各维度的数据集合，根据所述数据集合得到各因素数据序列和建筑位置数据序列的各维度的可行分布间隔，计算各因素数据序列和建筑位置数据序列的各维度的可行分布间隔的集中程度，获取集中程度最大的可行分布间隔作为各因素数据序列和建筑位置数据序列的各维度的分割间隔；
根据所述分割间隔得到各因素数据序列和建筑位置数据序列的各维度的所属离散区间，根据各因素数据序列和建筑位置数据序列的各维度的所属离散区间计算各因素数据序列的决定程度；计算各因素数据序列的统计特征，将各因素数据序列的决定程度与统计特征的乘积作为各因素数据序列的节点值；
根据因素数据序列之间关联性情况得到各因素数据序列之间边权值，根据各因素数据序列的节点值、各因素数据序列之间的边权值构建得到建筑选址结构图；
根据建筑选址结构图得到各节点的重要性，根据各节点的重要性得到各节点的分段长度，根据各节点的分段长度和综合密钥序列得到每组建筑选址数据的密钥序列；根据每组建筑选址数据的密钥序列和建筑选址结构图对每组建筑选址数据进行加密处理得到每组建筑选址数据的密文数据，对密文数据进行解密处理得到每组建筑选址数据，利用多组建筑选址数据进行选址分析。
优选的，所述根据所述数据集合得到各因素数据序列和建筑位置数据序列的各维度的可行分布间隔，包括的具体步骤为：
确定各因素数据序列的各维度的可行分布间隔：对各因素数据序列的各维度的数据集合中的数据进行统计得到各因素数据序列的各维度的分布直方图，利用密度聚类对各因素数据序列的各维度的分布直方图进行聚类处理得到多个类别集合，获取每个类别集合的最大值和最小值，将每个类别的最大值减去最小值得到每个类别的取值宽度，将每个类别的取值宽度作为一个可行分布间隔，多个类别集合得到多个可行分布间隔；
确定建筑位置数据序列的各维度的多个可行分布间隔。
优选的，所述计算各因素数据序列和建筑位置数据序列的各维度的可行分布间隔的集中程度，包括的具体步骤为：
计算各因素数据序列的各维度的各可行分布间隔的集中程度，包括：利用各可行分布区间将各因素数据序列的各维度的分布直方图的横轴分割成多个区间；根据各区间内的分布直方图得到各区间的方差值；
各因素数据序列的各维度的第k个可行分布间隔的集中程度计算公式为：
Figure SMS_1
，
其中，
Figure SMS_2
表示各因素数据序列的各维度的分布直方图的第z个区间内的方差值，
Figure SMS_3
表示利用第k个可行分布间隔将各因素数据序列的各维度的分布直方图划分的区间个数，/>
Figure SMS_4
表示第k个可行分布间隔，/>
Figure SMS_5
表示各因素数据序列的各维度的第k个可行分布间隔值的集中程度；
计算建筑位置数据序列的各维度的各可行分布间隔的集中程度。
优选的，所述根据各因素数据序列和建筑位置数据序列的各维度的所属离散区间计算各因素数据序列的决定程度，包括的具体步骤为：
获取建筑位置数据序列的各位置区间组合中包含的建筑位置数据序列个数占比,利用各位置区间组合中包含的建筑位置数据序列个数占比计算建筑位置数据序列的信息熵；
获取各因素数据序列在各因素区间组合的条件下，建筑位置数据序列属于各位置区间组合的建筑选址数据个数占比；根据各因素数据序列属于各因素区间组合的条件下，建筑位置数据序列属于各位置区间组合的建筑选址数据个数占比得到各因素数据序列的各因素区间组合的条件熵；
获取各因素数据序列属于各因素区间组合中的建筑选址数据个数占比,根据各因素区间组合的条件熵和各因素数据序列属于各因素区间组合中的建筑选址数据个数占比得到各因素数据序列的条件熵；
将建筑位置数据序列的信息熵减去各因素数据序列的条件熵得到各因素数据序列的决定程度。
优选的，所述计算各因素数据序列的统计特征，包括的具体步骤为：
将各因素数据序列的各维度的数据集合的信息熵作为各因素数据序列的各维度的混乱程度；
根据各因素数据序列的第1个维度的数据集合中的数据大小对各组建筑选址数据进行升序排列，得到建筑选址数据序列；在建筑选址数据序列中依次获取各因素数据序列的各维度的数据得到的数据序列作为各因素数据序列的各维度的数据序列；
将各因素数据序列的各维度的数据序列分别与所述因素数据序列的其他维度的数据序列求皮尔逊相关系数得到各因素数据序列的各维度与其他维度的关联性；
将各因素数据序列的各维度与其他维度的关联性作为权重，将各因素数据序列的所有维度的混乱程度进行加权求和，得到各因素数据序列各维度的统计特征，将各因素数据序列的所有维度的统计特征的均值作为各因素数据序列的统计特征。
优选，所述根据因素数据序列之间关联性情况得到各因素数据序列之间边权值，包括的具体步骤为：
利用DTW算法计算每组建筑选址数据中各因素数据序列与该组的其他因素数据序列的DTW距离得到每组建筑选址数据中各因素数据序列与其他因素数据序列的差异程度，将所有组建筑选址数据中各因素数据序列以其他因素数据序列的差异程度求均值得到各因素数据序列与其他各因素数据序列的差异程度，将各因素数据序列与其他各因素数据序列的差异程度的倒数作为各因素数据序列与其他各因素数据序列的边权值。
优选的，所述根据建筑选址结构图得到各节点的重要性，包括的具体步骤为：
对建筑选址图结构进行谱聚类，得到多个图类别集合；
第i个节点的重要性计算公式为：
Figure SMS_6
，
其中，
Figure SMS_7
表示第i个节点与第j个节点之间的边权值，/>
Figure SMS_8
表示第j个节点的节点值，J表示第i个节点所属的图类别集合中的节点个数，/>
Figure SMS_9
表示第i个节点的重要性。
优选的，所述根据各节点的重要性得到各节点的分段长度，包括的具体步骤为：
第i个节点的分段长度计算公式为：
Figure SMS_10
，
其中，
Figure SMS_11
表示第i个节点的重要性，/>
Figure SMS_12
表示第i个节点对应的因素数据序列的长度，
Figure SMS_13
表示超参数，/>
Figure SMS_14
表示第i个节点的分段长度，/>
Figure SMS_15
表示向上取整符号。
优选的，所述根据每组建筑选址数据的密钥序列和建筑选址结构图对每组建筑选址数据进行加密处理得到每组建筑选址数据的密文数据，包括的具体步骤为：
按各因素数据序列的节点值将组建筑选址数据的各因素数据序列进行降序排列得到各因素数据序列向量，各因素数据序列向量中各元素为各因素数据序列；
设置第一数量为1，设置第一标志值为1；
根据各因素数据序列向量、第一数量和建筑选址结构图得到第一密文数据，包括：
在各因素数据序列向量中获取第一数量处的各因素数据序列作为目标因素数据序列，将目标因素数据序列均匀分割成长度为分段长度的K个数据段，获取与目标因素数据序列边权值最小的K个因素数据序列作为目标因素数据序列的备选数据序列，将多个备选数据序列按边权值的大小进行降序排列得到备选数据序列向量；
根据目标因素数据序列、第一标志值、第二数量和备选数据序列得到第二密文数据，包括：
在获取目标因素数据序列的第二数据处的数据段作为目标数据段，在密钥序列中获取第一标志值处的密钥值作为位置密钥值，在密钥序列中获取第一标志值的下一个位置的密钥值作为交换密钥值，将位置密钥值与K取余之后加1得到第一位置，将交换密钥值与K取余之后加得到第二位置，在备选数据序列向量中获取第一位置处的元素作为待交换数据序列，在待交换数据序列中获取第二位置处的数据段作为待交换数据段；将目标因数数据序列中的目标数据段与待交换数据序列中的待交换数据段进行交换处理，得到每组建筑选址数据的第二密文数据；
将第二数据加1，将第一标志值加2，重复执行根据目标因素数据序列、第一标志值、第二数量和备选数据序列得到第二密文数据的操作，直至第二数据等于目标因素数据序列的分段长度，得到第一密文数据；
将第一数据加1，第一标志值加2，重复执行根据各因素数据序列向量、第一数量和建筑选址结构图得到第一密文数据，直至第一数量等于每组建筑选址数据中包含的各因素数据序列的个数，得到每组建筑选址数据的因素数据序列的密文数据；
利用传统DES加密算法对每组建筑选址数据的建筑位置数据序列进行加密得到每组建筑选址数据的建筑位置数据序列的密文数据。
一种装配式建筑建设选址分析系统，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现任意一项所述一种装配式建筑建设选址分析方法的步骤。
本发明实施例至少具有如下有益效果：通过对采集到的建筑选址数据进行分析得到各因素数据序列对建筑位置的决定程度，通过各因素数据序列对建筑位置的决定程度能够反映各因素数据序列对建筑位置确定的决定情况，因而为了保护建筑位置需对各决定程度较大的因素数据序列进行复杂加密，同时还分析了各因素数据序列的统计特征，对于统计特征强的因素数据序列也需进行复杂加密，结合各因素数据序列的决定程度和统计特征得到各因素数据序列的节点值，通过各因素数据序列的节点值能够反映各因素数据序列需要被保护的情况。通过分析各因素数据序列之间的关联性得到各因素数据序列之间的边权值。
将各因素数据序列作为节点构建出建筑选址结构图，根据各因素数据序列的结构图得到各节点的重要性，根据各节点的重要性得到各节点的分段数，然后根据各节点的分段数据对节点数据进行分段处理得到多个数据段，这样能够实现将重要性较高的节点数据分割的更离散，使得重要性较高的数据的规律被破坏的程度越大；将各节点的数据段与关联性较差的其他节点的数据段之间进行交换处理从而实现对节点数据，即各因素数据序列，进行加密处理；该方式能够实现在对重要性较高的数据进行更安全的保护的同时，还能保障加密的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明提供的一种装配式建筑建设选址分析方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种装配式建筑建设选址分析方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种装配式建筑建设选址分析方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种装配式建筑建设选址分析方法的步骤流程图，该方法包括以下步骤：
步骤S001，采集得到建筑选址数据的各因素数据序列和建筑位置数据序列。
1、采集得到建筑选址数据：
为了保护建筑选址数据的安全性，需先对建筑选址数据进行分析，因而需先获得建筑选址数据。
采集得到建筑选址数据：在建筑选址系统中获取得到多组建筑选址数据。一组建筑选址数据是指进行一次建筑选址分析所用到的所有数据；一组建筑选址数据包含影响建筑选址的所有因素数据序列和建筑位置数据序列，影响建筑选址的因素数据序列包含：客户因素数据序列、政策因素数据序列、企业生产因素数据序列、供应商因素数据序列等。例如客户因素数据序列中包括建筑选址时所需考虑的周边客户群体分布数据、客户消费能力数据等；政策因素数据序列包括：环保政策数据、税收政策数据等；企业生产因素数据序列包括：企业所生产的产品工艺要求，生产要素以及所需的建面面积等；供应商因素数据序列包括：供应企业所需的生产要素的供应商分布、供应商供应能力、以及供应商至企业的物流路径等。
2、生成综合密钥序列：
利用混沌映射函数生成混沌序列，将混沌序列称为综合密钥序列，将综合密钥序列中各元素称为密钥值，所述混沌映射函数的参数是双方约定好的，无需进行传输。
步骤S002，确定各因素数据序列和建筑位置数据序列的各维度的分割间隔，根据各因素数据序列和建筑位置数据序列的各维度分割间隔得到各因素数据序列的决定程度。
由于在所有的各因素数据序列中，每个各因素数据序列对建筑选址的决定程度不同，其中决定程度较高的各因素数据序列一旦泄露，很容易利用该各因素数据序列预测出建筑选址数据，因而需对决定程度大的各因素数据序列进行复杂性的加密。为了后续对各因素数据序列进行不同复杂性的加密需先确定各因素数据序列的决定程度。
确定各因素数据序列的决定程度时，考虑利用各因素数据序列对选址位置的信息增益来反映，而要确定各因素数据序列对选址位置的信息增益需先将各因素数据序列和建筑位置数据序列进行离散化处理，只有对各因素数据序列和建筑位置数据序列进行合理的离散处理，才能得到准确的各因素数据序列对各选址位置的信息增益值。而对各因素数据序列和建筑位置数据序列进行合理离散化处理时，需考虑建筑位置数据序列和各因素数据序列的分布情况来确定，根据分布情况来确定各因素数据序列和建筑位置数据序列的分割间隔，根据各因素数据序列和建筑位置数据序列的分割间隔来对各因素数据序列进行离散化处理。
1、获取各因素数据序列和建筑位置数据序列的各维度的分割间隔：
(1)获取各因素数据序列和建筑位置数据序列各维度的数据集合：
在每组建筑选址数据中获取第i个因素数据序列中的第j个元素
Figure SMS_16
，将元素/>
Figure SMS_17
作为第j个维度的数据/>
Figure SMS_18
，所有组的建筑选址数据的第i个因素数据序列的第j个维度数据构成第i个因素数据序列第j个维度的数据集合/>
Figure SMS_19
。同理得到各因素数据序列和建筑位置数据序列的各维度数据集合。
(2)确定各因素数据序列和建筑位置数据序列的各维度的可行分布间隔：
对第i个因素数据序列的第j个维度的数据集合中数据进行统计得到第i个因素数据序列上第j个维度的分布直方图，同理得到各因素数据序列上各维度的分布直方图和建筑位置数据序列上各维度的分布直方图。
确定各因素数据序列的各维度的可行分布间隔：利用密度聚类对各因素数据序列的各维度的分布直方图进行聚类处理得到多个类别集合，获取每个类别集合的最大值和最小值，将每个类别的最大值减去最小值得到每个类别的取值宽度，将每个类别的取值宽度作为一个可行分布间隔，多个类别集合得到多个可行分布间隔，即各因素数据序列的各维度对应得到多个可行分布间隔。
同理确定建筑位置数据序列的各维度的多个可行分布间隔。
(3)计算各因素数据序列和建筑位置数据序列的各维度的可行分布间隔的集中程度：
计算各因素数据序列的各维度的可行分布间隔的集中程度，包括：
将各因素数据序列的各维度的第k个可行分布间隔记为
Figure SMS_20
，将各因素数据序列的各维度的分布直方图的横轴分割成长度为/>
Figure SMS_21
的多个区间；
根据第z个区间内的分布直方图得到第z个区间的方差值
Figure SMS_22
，同理得到各区间内的方差值，因而各因素数据序列的各维度的第k个可行分布间隔的集中程度为：
Figure SMS_23
，
其中，
Figure SMS_24
表示各因素数据序列的各维度的分布直方图的第z个区间内的方差值，该值越大说明第z个区间内的数据分布越分散，第z个区间内的数据集中程度越小，/>
Figure SMS_25
表示单位长度下的第z个区间内的数据分布分散程度，该值越大说明第z个区间内的数据分布越分散，因而第z个区间内的数据集中程度越小，/>
Figure SMS_26
表示利用第k个可行分布间隔将各因素数据序列的各维度的分布直方图划分的区间个数，/>
Figure SMS_27
表示各因素数据序列的各维度的第k个可行分布间隔值的集中程度，该值能够反映出以第k个可行分布间隔划分后的数据集中程度，该值越大，说明利用该可行分布间隔对数据进行划分得到的数据集中性较好。
同理计算建筑位置数据序列的各维度的可行分布间隔的集中程度。
(4)确定各因素数据序列和建筑位置数据序列的各维度的分割间隔：
在各因素数据序列的各维度的所有可行分布间隔中获取集中程度最大的可行分布间隔作为各因素数据序列的各维度的分割间隔,将第i个因素数据序列的第j个维度的分割间隔记为
Figure SMS_28
。同理得到建筑位置数据序列的各维度的分割间隔。
2、对各因素数据序列和建筑位置数据序列的进行离散化处理：
对所有建筑选址数据中的第i个因素数据序列进行离散化处理，包括：获取第i因素数据序列的第j维度的数据集合
Figure SMS_29
的最大值/>
Figure SMS_30
和最小值/>
Figure SMS_31
，因而第i个因素数据序列的第j维度的综合区间范围为/>
Figure SMS_32
，将第i个因素数据序列的第j个维度的分割间隔记为/>
Figure SMS_33
，将区间范围均匀分割成长度为/>
Figure SMS_34
的N个第一子区间
Figure SMS_35
，在第i个因素数据序列的每个维度的所有第一子区间中随机抽取一个第一子区间，将抽取到的所有维度的第一子区间组合在一起，得到第i因素数据序列的多个因素区间组合，获取每组建筑选址数据中的第i个因素数据序列所属的因素区间组合。
同理对所有建筑选址数据中的各因素数据序列进行离散化处理，对所有建筑选址数据中建筑位置数据序列的进行离散化处理。将建筑位置数据序列的区间组合记为建筑位置数据序列的位置区间组合。
3、计算各因素数据序列的决定程度：
(1)计算建筑位置数据序列的信息熵：
获取建筑位置数据序列的各位置区间组合中包含的建筑位置数据序列个数占比,利用各位置区间组合中包含的建筑位置数据序列个数占比计算建筑位置数据序列的信息熵H。
(2)计算各因素数据序列的条件熵：
获取各因素数据序列在第i个因素区间组合的条件下，建筑位置数据序列属于第j个位置区间组合的建筑选址数据个数占比
Figure SMS_36
，因而各因素数据序列的第i个因素区间组合的条件熵为：
Figure SMS_37
，
其中，
Figure SMS_38
表示各因素数据序列在第i个因素区间组合的条件下，建筑位置数据序列属于第j个位置区间组合的建筑选址数据个数，/>
Figure SMS_39
表示以10为底的对数函数，/>
Figure SMS_40
表示各因素数据序列的因素区间组合的个数，/>
Figure SMS_41
表示各因素数据序列的第i个区间组合的条件熵。同理得到各因素数据序列的各因素区间组合的条件熵。
各因素数据序列的条件熵为：
获取各因素数据序列属于第i个因素区间组合中的建筑选址数据个数占比
Figure SMS_42
，因而第i个因素数据序列的条件熵为：
Figure SMS_43
，
其中，
Figure SMS_44
表示各因素数据序列的第i个区间组合的条件熵，/>
Figure SMS_45
表示各因素数据序列的第i个因素区间的建筑选址数据个数占比，/>
Figure SMS_46
表示各因素数据序列的因素区间的个数，/>
Figure SMS_47
表示各因素数据序列的条件熵。
(3)计算各因素数据序列的决定程度：
将建筑位置数据序列的信息熵H减去各因素数据序列的条件熵得到各因素数据序列的信息增益，将各因素数据序列的信息熵作为各因素数据序列的决定程度，将第i个因素数据序列的决定程度记为
Figure SMS_48
，通过各因素数据序列的信息增益反映了各因素数据序列确定时对建筑位置数据序列确定的提升情况，例如当各因素数据序列取值不确定时，建筑位置数据序列取值的确定概率为20%，各因素数据序列取值确定时，建筑位置数据序列取值的确定概率为35%，因而各因素数据序列取值确定时对建筑位置数据序列取值确定的提升程度为15%，因而各因素数据序列的信息增益反映了各因素数据序列对选址位置数据的决定程度。
步骤S003，计算各因素数据序列的统计特征，结合各因素数据序列的决定程度和统计特征得到各因素数据序列的节点值。
1、计算各因素数据序列的统计特征：
将第i个因素数据序列的第j个维度的数据集合
Figure SMS_49
的信息熵/>
Figure SMS_50
作为第i个因素数据序列的第j个维度的混乱程度，该值越大说明第i因素数据序列的第j个维度的数据取值越混乱，因而第i个因素数据序列的第j个维度的数据的统计特征越不明显。
由于第i个因素数据序列的不同维度的数据之间可能存在关联性，其中关联性越大数据，其具有的统计特征越明显，因而需分析第i个因素序列中各维度数据之间的关联性。
根据第i个因素数据序列的第1个维度的数据集合中的数据大小对各组建筑选址数据进行升序排列，得到建筑选址数据序列。在建筑选址数据序列中依次获取第i个因素数据序列的第j个维度的数据，得到第i个因素数据序列的第j个维度的数据序列。同理得到各因素数据序列的各维度的数据序列。
将第i个因素数据序列的第j个维度的数据序列分别与第i个因素数据序列的其他维度的数据序列求皮尔逊相关系数得到第i个因素数据序列各维度与其他维度的关联性；
将第i个因素数据序列第j个维度与自身维度的关联性设置为1，将第i个因素数据序列第j个维度与第i个因素数据序列上各维度的关联性作为权重，将第i个因素数据序列的所有维度的混乱程度进行加权求和，得到将第i个因素数据序列第j个维度的统计特征，将第i个因素数据序列的所有维度的统计特征的均值作为第i个因素数据序列的统计特征
Figure SMS_51
，该值越大说明第i个因素数据序列的统计特征越明显。同理得到各因素数据序列的统计特征。
2、计算各因素数据序列的节点值：
将第i个因素数据序列的决定程度
Figure SMS_52
与第i个因素数据序列的统计特征/>
Figure SMS_53
的乘积作为第i个因素数据序列的节点值/>
Figure SMS_54
。
步骤S004，根据各因素数据序列之间的关联性得到各因素数据序列之间的边权值，构建建筑选址图结构。
1、计算各因素数据序列之间的边权值：
利用DTW算法计算每组建筑选址数据中各因素数据序列与该组的其他因素数据序列的DTW距离作为每组建筑选址数据中各因素数据序列与其他因素数据序列的差异程度，将所有组建筑选址数据中各因素数据序列以其他因素数据序列的差异程度求均值得到各因素数据序列与其他各因素数据序列的差异程度，将各因素数据序列与其他各因素数据序列的差异程度的倒数作为各因素数据序列与其他各因素数据序列的边权值。将第i个因素数据序列与第j个因素数据序列的边权值记为
Figure SMS_55
。利用softmax归一化方法对各因素数据序列与其他各因素数据序列的边权值进行归一化处理得到归一化后的各因素数据序列与其他各因素数据序列的边权值，为了便于描述，后续将归一化后的各因素数据序列与其他各因素数据序列的边权值称为各因素数据序列与其他各因素数据序列的边权值。
2、构建建筑选址图结构：
将各因素数据序列作为节点，将各因素数据序列之间互相连接，构建得到建筑选址图结构。将各因素数据序列的节点值作为各节点的节点值，将各因素数据序列之间的边权值作为节点之间的边权值。
步骤S005，根据各因素数据序列的图结构对各因素数据序列和建筑位置数据序列进行加密处理得到密文数据，对密文数据进行安全存储。
1、计算各节点的重要性：
由于在图结构中，一些节点之间关联性密切，一些节点之间关联性较差，各节点的重要性主要由关联性密切的节点确定，因而需要通过聚类的方式得到图结构中分成若干个类别集合。
(1)对建筑选址图结构进行谱聚类，得到多个图类别集合。
(2)计算各节点的重要性：
节点的重要性主要受该节点的节点值影响，以及与该节点的密切关联的周边节点影响，因而各节点的重要性为：
Figure SMS_56
，
其中，
Figure SMS_57
表示第i个节点与第j个节点之间的边权值，/>
Figure SMS_58
表示第j个节点的节点值，J表示第i个节点所属的图类别结合中的节点个数。需要说明的是，第i个节点与自身节点之间边权值设置为1，/>
Figure SMS_59
表示第i个节点的重要性。
利用softmax归一化方法对各节点的节点值进行归一化处理得到归一化后的各节点的节点值，为了便于描述，后续将归一化后的各节点的节点值称为各节点的节点值。
2、根据各节点的重要性得到各节点的分段长度：
为了保障加密后数据的安全性，需将重要性较大的节点数据进行复杂加密，而为了提高加密效率，需将重要性较小的节点数据进行简单加密。而要实现重要性较大的节点数据进行复杂加密，需将重要性较大的节点数据的尽可能分割成长度更小的片段，将长度更小的片段与其他数据各片段进行置乱处理，这样每个长度较小的片段上承载的信息量较小，因而基于此来计算各节点的分段长度：
Figure SMS_60
，
其中，
Figure SMS_61
表示第i个节点的重要性，该值越大说明第i个节点越重要，第i个节点的加密复杂性越大，/>
Figure SMS_62
表示第i个节点对应的因素数据序列的长度，/>
Figure SMS_63
表示超参数，本实施例中/>
Figure SMS_64
取10，其他实施例中实施者可根据实际设置。/>
Figure SMS_65
表示第i个节点的分段长度，/>
Figure SMS_66
表示向上取整符号。
3、对每组建筑选址数据进行加密得到密文数据：
(1)获取每组建筑选址数据的密钥序列：
将多组建筑选址数据按时序排列得到建筑选址数据序列；
（2）获取每组建筑选址数据的密钥序列：
由于每组建筑选址数据的建筑选址图结构是相同的，因而每组建筑选址数据利用同一图结构进行数据加密。
根据建筑选址图结构得到各节点对应的各因素数据序列的分段长度，因而将每组建筑选址数据的各因素数据序列均匀分割成长度为分段长度的多个数据段，每个数据段需要两个密钥值，因而2倍的每组建筑选址数据的各因素数据序列的数据段数为各因素数据序列的密钥序列的长度，由于在所有建筑选址数据中同一因素数据序列的长度相同，所以各建筑选址数据的密钥序列长度也相同。将每组建筑选址数据的所有因素数据序列的密钥序列的长度之和作为每组建筑选址数据的密钥序列的长度
Figure SMS_67
。
将综合密钥序列均匀分割成长度为
Figure SMS_68
的多个密钥序列段，其中第i个密钥序列段作为建筑选址数据序列中第i个位置的建筑选址数据的密钥序列。
(3)根据每组建筑选址数据的密钥序列对每组建筑选址数据的因素数据序列进行加密处理：
按各因素数据序列的节点值将组建筑选址数据的各因素数据序列进行降序排列得到各因素数据序列向量，各因素数据序列向量中各元素为各因素数据序列。
设置第一数量为1，设置第一标志值为1；
根据各因素数据序列向量、第一数量和建筑选址结构图得到第一密文数据，包括：
在各因素数据序列向量中获取第一数量处的各因素数据序列作为目标因素数据序列，将目标因素数据序列均匀分割成长度为分段长度的K个数据段，获取与目标因素数据序列边权值最小的K个因素数据序列作为目标因素数据序列的备选数据序列，将多个备选数据序列按边权值的大小进行降序排列得到备选数据序列向量；
根据目标因素数据序列、第一标志值、第二数量和备选数据序列得到第二密文数据，包括：
在获取目标因素数据序列的第二数据处的数据段作为目标数据段，在密钥序列中获取第一标志值处的密钥值作为位置密钥值，在密钥序列中获取第一标志值的下一个位置的密钥值作为交换密钥值，将位置密钥值与K取余之后加1得到第一位置，将交换密钥值与K取余之后加得到第二位置，在备选数据序列向量中获取第一位置处的元素作为待交换数据序列，在待交换数据序列中获取第二位置处的数据段作为待交换数据段；将目标因数数据序列中的目标数据段与待交换数据序列中的待交换数据段进行交换处理，得到每组建筑选址数据的第二密文数据；
将第二数据加1，将第一标志值加2，重复执行根据目标因素数据序列、第一标志值、第二数量和备选数据序列得到第二密文数据的操作，直至第二数据等于目标因素数据序列的分段长度，得到第一密文数据；
将第一数据加1，第一标志值加2，重复执行根据各因素数据序列向量、第一数量和建筑选址结构图得到第一密文数据，直至第一数量等于每组建筑选址数据中包含的各因素数据序列的个数，得到每组建筑选址数据的因素数据序列的密文数据。利用传统DES加密算法对每组建筑选址数据的建筑位置数据序列进行加密得到每组建筑选址数据的建筑位置数据序列的密文数据。
将每组建筑选址数据的密文数据进行存储与服务器中，将建筑选址结构图存储于移动优盘中。
步骤S006，对密文数据进行解密处理得到建筑选址数据，通过建筑选址数据进行分析处理得到建筑位置数据序列。
加密方将存储于建筑选址结构图的移动优盘给解密方，解密方利用移动优盘中的建筑选址结构图得到各节点的节点值和节点之间的边权值，根据各节点的节点得到分段长度，进而得到每个建筑选址数据的密钥序列，根据每组建筑选址数据的密钥序列利用与加密处理相反的操作方法对服务器中的密文数据进行解密处理得到每组建筑选址数据。传统DES加密算法的解密方法已公开，此处不再赘述每组建筑选址数据的建筑位置数据序列的解密方法。
将多组建筑选址数据构成的集合作为数据集。
构建一个FC结构的神经网络，网络的输入为每组建筑选址数据的各因素数据序列，网络的输出为每组建筑选址数据的建筑位置数据序列，网络的损失函数为均方差损失函数。
将数据集中各数据依次数据到神经网络中对网络进行训练，直至网络损失值收敛得到训练完成的神经网络，将新采集的按建筑选址数据的各因素数据序列输入到训练完成的神经网络中得到建筑位置数据序列。
本发明还提出了一种装配式建筑建设选址分析系统，包括存储器、处理器以及存储在存储器中并可在所述处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现任意一项所述一种装配式建筑建设选址分析方法的步骤。
综上所述，本发明实施例提供了一种装配式建筑建设选址分析方法及系统，通过对采集到的建筑选址数据进行分析得到各因素数据序列对建筑位置的决定程度，通过各因素数据序列对建筑位置的决定程度能够反映各因素数据序列对建筑位置确定的决定情况，因而为了保护建筑位置需对各决定程度较大的因素数据序列进行复杂加密，同时还分析了各因素数据序列的统计特征，对于统计特征强的因素数据序列也需进行复杂加密，结合各因素数据序列的决定程度和统计特征得到各因素数据序列的节点值，通过各因素数据序列的节点值能够反映各因素数据序列需要被保护的情况。通过分析各因素数据序列之间的关联性得到各因素数据序列之间的边权值。
将各因素数据序列作为节点构建出建筑选址结构图，根据各因素数据序列的结构图得到各节点的重要性，根据各节点的重要性得到各节点的分段数，然后根据各节点的分段数据对节点数据进行分段处理得到多个数据段，这样能够实现将重要性较高的节点数据分割的更离散，使得重要性较高的数据的规律被破坏的程度越大；将各节点的数据段与关联性较差的其他节点的数据段之间进行交换处理从而实现对节点数据，即各因素数据序列，进行加密处理；该方式能够实现在对重要性较高的数据进行更安全的保护的同时，还能保障加密的效率。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种装配式建筑建设选址分析方法，其特征在于，所述方法包括：
获取得到多组建筑选址数据和综合密钥序列，每组建筑选址数据中包含多个因素数据序列和一个建筑位置数据序列；
根据多组建筑选址数据得到各因素数据序列和建筑位置数据序列的各维度的数据集合，根据所述数据集合得到各因素数据序列和建筑位置数据序列的各维度的可行分布间隔，计算各因素数据序列和建筑位置数据序列的各维度的可行分布间隔的集中程度，获取集中程度最大的可行分布间隔作为各因素数据序列和建筑位置数据序列的各维度的分割间隔；
根据所述分割间隔得到各因素数据序列和建筑位置数据序列的各维度的所属离散区间，根据各因素数据序列和建筑位置数据序列的各维度的所属离散区间计算各因素数据序列的决定程度；计算各因素数据序列的统计特征，将各因素数据序列的决定程度与统计特征的乘积作为各因素数据序列的节点值；
根据因素数据序列之间关联性情况得到各因素数据序列之间边权值，根据各因素数据序列的节点值、各因素数据序列之间的边权值构建得到建筑选址结构图；
根据建筑选址结构图得到各节点的重要性，根据各节点的重要性得到各节点的分段长度，根据各节点的分段长度和综合密钥序列得到每组建筑选址数据的密钥序列；根据每组建筑选址数据的密钥序列和建筑选址结构图对每组建筑选址数据进行加密处理得到每组建筑选址数据的密文数据，对密文数据进行解密处理得到每组建筑选址数据，利用多组建筑选址数据进行选址分析；
所述综合密钥序列获取方法包括：利用混沌映射函数生成混沌序列，将混沌序列称为综合密钥序列，将综合密钥序列中各元素称为密钥值；
所述计算各因素数据序列和建筑位置数据序列的各维度的可行分布间隔的集中程度，包括的具体步骤为：
计算各因素数据序列的各维度的各可行分布间隔的集中程度，包括：利用各可行分布区间将各因素数据序列的各维度的分布直方图的横轴分割成多个区间；根据各区间内的分布直方图得到各区间的方差值；
各因素数据序列的各维度的第k个可行分布间隔的集中程度计算公式为：
Figure QLYQS_1
，
其中，
Figure QLYQS_2
表示各因素数据序列的各维度的分布直方图的第z个区间内的方差值，/>
Figure QLYQS_3
表示利用第k个可行分布间隔将各因素数据序列的各维度的分布直方图划分的区间个数，/>
Figure QLYQS_4
表示第k个可行分布间隔，/>
Figure QLYQS_5
表示各因素数据序列的各维度的第k个可行分布间隔值的集中程度；
计算建筑位置数据序列的各维度的各可行分布间隔的集中程度；
所述根据建筑选址结构图得到各节点的重要性，包括的具体步骤为：
对建筑选址图结构进行谱聚类，得到多个图类别集合；
第i个节点的重要性计算公式为：
Figure QLYQS_6
，
其中，
Figure QLYQS_7
表示第i个节点与第j个节点之间的边权值，/>
Figure QLYQS_8
表示第j个节点的节点值，J表示第i个节点所属的图类别集合中的节点个数，/>
Figure QLYQS_9
表示第i个节点的重要性。
2.如权利要求1所述的一种装配式建筑建设选址分析方法，其特征在于，所述根据所述数据集合得到各因素数据序列和建筑位置数据序列的各维度的可行分布间隔，包括的具体步骤为：
确定各因素数据序列的各维度的可行分布间隔：对各因素数据序列的各维度的数据集合中的数据进行统计得到各因素数据序列的各维度的分布直方图，利用密度聚类对各因素数据序列的各维度的分布直方图进行聚类处理得到多个类别集合，获取每个类别集合的最大值和最小值，将每个类别的最大值减去最小值得到每个类别的取值宽度，将每个类别的取值宽度作为一个可行分布间隔，多个类别集合得到多个可行分布间隔；
确定建筑位置数据序列的各维度的多个可行分布间隔。
3.如权利要求1所述的一种装配式建筑建设选址分析方法，其特征在于，所述根据各因素数据序列和建筑位置数据序列的各维度的所属离散区间计算各因素数据序列的决定程度，包括的具体步骤为：
获取建筑位置数据序列的各位置区间组合中包含的建筑位置数据序列个数占比,利用各位置区间组合中包含的建筑位置数据序列个数占比计算建筑位置数据序列的信息熵；
获取各因素数据序列在各因素区间组合的条件下，建筑位置数据序列属于各位置区间组合的建筑选址数据个数占比；根据各因素数据序列属于各因素区间组合的条件下，建筑位置数据序列属于各位置区间组合的建筑选址数据个数占比得到各因素数据序列的各因素区间组合的条件熵；
获取各因素数据序列属于各因素区间组合中的建筑选址数据个数占比,根据各因素区间组合的条件熵和各因素数据序列属于各因素区间组合中的建筑选址数据个数占比得到各因素数据序列的条件熵；
将建筑位置数据序列的信息熵减去各因素数据序列的条件熵得到各因素数据序列的决定程度。
4.如权利要求1所述的一种装配式建筑建设选址分析方法，其特征在于，所述计算各因素数据序列的统计特征，包括的具体步骤为：
将各因素数据序列的各维度的数据集合的信息熵作为各因素数据序列的各维度的混乱程度；
根据各因素数据序列的第1个维度的数据集合中的数据大小对各组建筑选址数据进行升序排列，得到建筑选址数据序列；在建筑选址数据序列中依次获取各因素数据序列的各维度的数据得到的数据序列作为各因素数据序列的各维度的数据序列；
将各因素数据序列的各维度的数据序列分别与所述因素数据序列的其他维度的数据序列求皮尔逊相关系数得到各因素数据序列的各维度与其他维度的关联性；
将各因素数据序列的各维度与其他维度的关联性作为权重，将各因素数据序列的所有维度的混乱程度进行加权求和，得到各因素数据序列各维度的统计特征，将各因素数据序列的所有维度的统计特征的均值作为各因素数据序列的统计特征。
5.如权利要求1所述的一种装配式建筑建设选址分析方法，其特征在于，所述根据因素数据序列之间关联性情况得到各因素数据序列之间边权值，包括的具体步骤为：
利用DTW算法计算每组建筑选址数据中各因素数据序列与该组的其他因素数据序列的DTW距离得到每组建筑选址数据中各因素数据序列与其他因素数据序列的差异程度，将所有组建筑选址数据中各因素数据序列与其他因素数据序列的差异程度求均值得到各因素数据序列与其他各因素数据序列的差异程度，将各因素数据序列与其他各因素数据序列的差异程度的倒数作为各因素数据序列与其他各因素数据序列的边权值。
6.如权利要求1所述的一种装配式建筑建设选址分析方法，其特征在于，所述根据各节点的重要性得到各节点的分段长度，包括的具体步骤为：
第i个节点的分段长度计算公式为：
Figure QLYQS_10
，
其中，
Figure QLYQS_11
表示第i个节点的重要性，/>
Figure QLYQS_12
表示第i个节点对应的因素数据序列的长度，/>
Figure QLYQS_13
表示超参数，/>
Figure QLYQS_14
表示第i个节点的分段长度，/>
Figure QLYQS_15
表示向上取整符号。
7.如权利要求1所述的一种装配式建筑建设选址分析方法，其特征在于，所述根据每组建筑选址数据的密钥序列和建筑选址结构图对每组建筑选址数据进行加密处理得到每组建筑选址数据的密文数据，包括的具体步骤为：
按各因素数据序列的节点值将每组建筑选址数据的各因素数据序列进行降序排列得到各因素数据序列向量，各因素数据序列向量中各元素为各因素数据序列；
设置第一数量为1，设置第一标志值为1；
根据各因素数据序列向量、第一数量和建筑选址结构图得到第一密文数据，包括：
在各因素数据序列向量中获取第一数量处的各因素数据序列作为目标因素数据序列，将目标因素数据序列均匀分割成长度为分段长度的K个数据段，获取与目标因素数据序列边权值最小的K个因素数据序列作为目标因素数据序列的备选数据序列，将多个备选数据序列按边权值的大小进行降序排列得到备选数据序列向量；
根据目标因素数据序列、第一标志值、第二数量和备选数据序列得到第二密文数据，包括：
在获取目标因素数据序列的第二数据处的数据段作为目标数据段，在密钥序列中获取第一标志值处的密钥值作为位置密钥值，在密钥序列中获取第一标志值的下一个位置的密钥值作为交换密钥值，将位置密钥值与K取余之后加1得到第一位置，将交换密钥值与K取余之后加1得到第二位置，在备选数据序列向量中获取第一位置处的元素作为待交换数据序列，在待交换数据序列中获取第二位置处的数据段作为待交换数据段；将目标因数数据序列中的目标数据段与待交换数据序列中的待交换数据段进行交换处理，得到每组建筑选址数据的第二密文数据；
将第二数据加1，将第一标志值加2，重复执行根据目标因素数据序列、第一标志值、第二数量和备选数据序列得到第二密文数据的操作，直至第二数据等于目标因素数据序列的分段长度，得到第一密文数据；
将第一数据加1，第一标志值加2，重复执行根据各因素数据序列向量、第一数量和建筑选址结构图得到第一密文数据，直至第一数量等于每组建筑选址数据中包含的各因素数据序列的个数，得到每组建筑选址数据的因素数据序列的密文数据；
利用传统DES加密算法对每组建筑选址数据的建筑位置数据序列进行加密得到每组建筑选址数据的建筑位置数据序列的密文数据。
8.一种装配式建筑建设选址分析系统，其特征在于，所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1~7任意一项所述方法的步骤。
CN202310245223.3A 2023-03-15 2023-03-15 一种装配式建筑建设选址分析方法及系统 Active CN116069891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310245223.3A CN116069891B (zh) 2023-03-15 2023-03-15 一种装配式建筑建设选址分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310245223.3A CN116069891B (zh) 2023-03-15 2023-03-15 一种装配式建筑建设选址分析方法及系统

Publications (2)

Publication Number Publication Date
CN116069891A CN116069891A (zh) 2023-05-05
CN116069891B true CN116069891B (zh) 2023-06-20

Family

ID=86177075

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310245223.3A Active CN116069891B (zh) 2023-03-15 2023-03-15 一种装配式建筑建设选址分析方法及系统

Country Status (1)

Country Link
CN (1) CN116069891B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344434A (zh) * 2021-06-29 2021-09-03 广东电网有限责任公司佛山供电局 一种基于人工智能和大数据的变电站选址方法及系统
CN113795023A (zh) * 2021-09-26 2021-12-14 深圳市芯中芯科技有限公司 一种基于混沌序列和分组加密的蓝牙数据传输加密方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2005202090A1 (en) * 2004-05-14 2005-12-22 Wesley Crisfield House Sitting System
CN106570595B (zh) * 2016-11-10 2020-04-21 深圳市数字城市工程研究中心 一种基于空间大数据的地铁站点选址方法及系统
CN111383051B (zh) * 2020-03-02 2023-05-30 杭州比智科技有限公司 实体对象的选址方法、装置、计算设备及计算机存储介质
CN112184282A (zh) * 2020-09-03 2021-01-05 长安大学 影院选址模型建立方法、影院选址方法及影院选址平台

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344434A (zh) * 2021-06-29 2021-09-03 广东电网有限责任公司佛山供电局 一种基于人工智能和大数据的变电站选址方法及系统
CN113795023A (zh) * 2021-09-26 2021-12-14 深圳市芯中芯科技有限公司 一种基于混沌序列和分组加密的蓝牙数据传输加密方法

Also Published As

Publication number Publication date
CN116069891A (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
Zola et al. Cascading machine learning to attack bitcoin anonymity
Zheng et al. Identifying the vulnerabilities of bitcoin anonymous mechanism based on address clustering
Norvill et al. Automated labeling of unknown contracts in ethereum
Ajdari et al. An adaptive exploration-exploitation algorithm for constructing metamodels in random simulation using a novel sequential experimental design
CN113240505B (zh) 图数据的处理方法、装置、设备、存储介质及程序产品
Verma et al. Improving scalability of personalized recommendation systems for enterprise knowledge workers
CN111797942A (zh) 用户信息的分类方法及装置、计算机设备、存储介质
Akter et al. Edge intelligence-based privacy protection framework for iot-based smart healthcare systems
CN113807415B (zh) 联邦特征选择方法、装置、计算机设备和存储介质
CN116069891B (zh) 一种装配式建筑建设选址分析方法及系统
Yuan et al. Lightweight and reliable decentralized reward system using blockchain
Yenduri et al. Performance evaluation of imputation methods for incomplete datasets
CN115600226A (zh) 一种仓单质押数据加密方法
Koldanov Statistics of individual tests for market graph identification in market network
CN113407937A (zh) 针对侧信道建模攻击模型的平衡数据集构造方法
Irissappane et al. A case-based reasoning framework to choose trust models for different E-marketplace environments
Xiao et al. Efficient simulation budget allocation for ranking the top m designs
Mohammady et al. DPOAD: differentially private outsourcing of anomaly detection through iterative sensitivity learning
CN116308367B (zh) 用于电子商务系统的安全防护方法
CN116702922B (zh) 基于恶意行为检测的训练方法、装置、终端设备及介质
US20240143767A1 (en) Method for Assessment of the Robustness and Resilience of Machine Learning Models to Model Extraction Attacks on AI-Based Systems
CN115599965B (zh) 一种数据经济信息化管理系统
CN112711648B (zh) 一种数据库字符串密文存储方法、电子设备和介质
Sultana et al. Privacy preserved image recognition on msb encrypted images
KR100992157B1 (ko) 보안 대응책 결정 방법 및 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant